머신러닝이 약물 발견을 가속화하다

획기적인 연구 노력에서, 동핀란드 대학의 과학자들은 머신러닝의 잠재력을 활용하여 약물 발견의 새로운 시대를 열었다. 산업 전문가들과 슈퍼컴퓨터의 컴퓨팅 능력과의 전략적 파트너십을 통해, 이 협력은 가상 약물 스크리닝에 필요한 시간을 크게 단축하는 놀라운 결과를 낳았다.

이 기사는 이 선구적인 방법론에 대한 포괄적인 통찰력을 제공하며, 제약 산업과 더 넓은 과학 커뮤니티에 미치는 함의를 강조한다.

선구적인 가상 스크리닝

새로운 약물 화합물을 추구하는 데 있어 중추적인 단계인 가상 스크리닝의 영역은 머신러닝의 통합 덕분에 기념비적인 변화를 겪었다. 연구원들은 특정 약물 관련 개체를 표적으로 삼을 잠재적 에이전트를 찾기 위해 광범위한 화합물 라이브러리를 선별하기 위해 빠른 컴퓨터 지원 기술을 사용해 왔다.

그러나 이러한 라이브러리의 크기 폭발은 가장 진보된 슈퍼컴퓨터의 능력조차도 앞질렀다. 결과적으로, 단일 약물 표적에 대해 10억 규모 화합물 라이브러리를 스크리닝하는 데는 몇 달 또는 심지어 수년이 소요될 수 있어 산업계에 심각한 도전을 제시한다.

랜드마크 연구

최근 발표 에서, 동핀란드 대학 약학대학의 이나 포너 박사와 그녀의 존경받는 동료들은 CSC – IT 센터 유한회사, 핀란드의 최고 슈퍼컴퓨팅 기관, 그리고 오리온 파마의 주요 산업 협력사와 파트너십을 맺고, 기가 규모 가상 스크리닝을 위해 머신러닝의 잠재력을 활용하는 임무를 시작했다.

연구원들은 인공지능을 워크플로우에 도입하기 전에 엄격하게 기준선을 확립했다. 그들은 두 가지 약리학적 관련 표적에 대해 놀라운 15억 6천만 개의 약물 유사 분자를 평가하는 기념비적인 가상 스크리닝 캠페인을 시작했다. 거의 반 년에 걸쳐 실행된 이 철저한 작업은 슈퍼컴퓨터 마흐티와 푸흐티의 도움을 받아 분자 도킹 기법을 사용하여 수행되었다. 이 계산 방법은 작은 분자가 표적의 결합 부위와 얼마나 호환되는지 조사한다.

선두에 선 머신러닝

집중적인 도킹 단계 이후, 결과는 오리온 파마의 투모 칼리오코스키 박사가 주창한 도구인 HASTEN을 통해 조정된 머신러닝 부스트 스크리닝 과정을 거쳤다. HASTEN은 분자의 복잡한 특성과 화합물 점수에 미치는 영향을 해석하기 위해 머신러닝의 힘을 활용한다. 전통적인 도킹을 통해 수집된 방대한 데이터 세트를 활용하여, 머신러닝 모델은 라이브러리의 다른 화합물에 대한 도킹 점수를 신속하게 예측할 수 있으며, 이는 자원 집약적인 무차별 도킹 접근 방식을 크게 능가한다.

결과는 그야말로 놀라웠다. 전체 라이브러리의 단 1%만 도킹되어 훈련 데이터로 사용되었음에도 불구하고, HASTEN은 10일 이내에 최고 점수 화합물의 90%를 식별했다. 이 성취는 효율성의 양자 도약을 나타내며, 약물 발견 환경을 혁신하는 데 있어 머신러닝의 변혁적 잠재력을 강조한다.

이 연구의 성공은 학계와 산업계의 시너지가 입증한 결과입니다. 핀란드 동부대학교 DrugTech 연구 커뮤니티 내 계산 약물 발견 그룹을 이끄는 안티 포소(Antti Poso) 교수는 CSC의 최첨단 계산 자원이 야심 찬 목표를 달성하는 데 결정적인 역할을 했다고 강조했습니다. 이 협력은 아이디어, 자원, 최첨단 기술의 결합이 과학 연구를 전례 없는 높이로 끌어올릴 수 있음을 보여주는 모범 사례입니다.

오픈 데이터, 미래 혁신의 촉매제

지식 확산의 paramount한 중요성을 인식한 연구 저자들은 방대한 데이터셋을 대중에게 무료로 공개했습니다. 이 데이터셋에는 도킹(docking)을 위한 즉시 활용 가능한 스크리닝 라이브러리가 포함되어 있어, 동료 연구자들이 스크리닝 작업을 가속화할 수 있도록 지원합니다. 

또한, 두 가지 표적에 대한 15억 6천만 건의 화합물-도킹 결과로 구성된 데이터셋이 벤치마킹 데이터로 공개되었습니다. 이러한 자선적 조치는 협력을 촉진할 뿐만 아니라, 프로세스를 간소화하고 자원을 절약하며 계산 약물 발견 분야를 발전시킬 수 있는 도구 개발의 길을 열었습니다.